OpenCV中两种图像灰度转换方法结果不同，为何第二种效果更好？

AI 小北

2026-7-18

图像灰度转换两种方法结果差异的原因分析

我尝试将图像转换为灰度图，实现了两种方法，但输出结果不同，且第二种方法效果更优，想知道原因：

第一种实现方法

import cv2
import numpy as np

image=cv2.imread('dogs.jpg')
print(image.shape)
grayscale_image=np.zeros(image.shape[:2],np.uint8)

for i in range(image.shape[0]):
    for j in range(image.shape[1]):
        grayscale_image[i][j]=(image[i][j][0]+image[i][j][1]+image[i][j][2])//3

cv2.imshow("Grayscale Image - 1 ",grayscale_image)
cv2.waitKey(0)

第二种实现方法

import cv2
import numpy as np

image=cv2.imread('dogs.jpg')
print(image.shape)
grayscale_image=np.zeros(image.shape[:2],np.uint8)

grayscale_image=np.mean(image,axis=2).astype(np.uint8)

cv2.imshow("Grayscale Image - 1 ",grayscale_image)
cv2.waitKey(0)

核心差异原因

两种方法的结果差异主要来自两个关键点：

uint8数值溢出问题
OpenCV读取的图像数组是uint8类型（取值范围0-255），第一种方法中直接对三个通道的uint8值求和，当三个值的和超过255时，会触发uint8的溢出截断，导致求和结果错误。
比如三个通道值都是200，求和时200+200+200=600，但uint8无法存储600，会被截断为600 % 256 = 88，再除以3得到29，但实际正确的均值是200。而np.mean在计算时会自动将uint8类型提升为浮点类型（如float64）进行运算，完全避免了溢出问题，计算结果更准确。
取整方式的细微差异
第一种方法用整数除法//3做向下取整，第二种方法是先计算浮点均值，再通过astype(np.uint8)截断小数部分（效果近似向下取整）。虽然这一点的差异在多数场景下不明显，但结合溢出问题时，会进一步放大两种方法的结果差距。